种子表型组学：多光谱成像结合多变量分析的单株紫花苜蓿种子品种鉴别

品质至上，客户至上，您的满意就是我们的目标

返回旧版

技术文章

当前位置: 首页 > 技术文章

种子表型组学：多光谱成像结合多变量分析的单株紫花苜蓿种子品种鉴别

发表时间：2022-04-18 11:30:40点击：1043

来源：北京博普特科技有限公司

Videometer Lab4多光谱种子表型成像系统是丹麦理工大学与丹麦Videometer公司开发，是用于种子研究先进的多光谱表型成像设备，典型客户为ISTA国际种子检验协会、ESTA欧洲种子检验协会、John Innes Centre、LGC化学家集团、奥胡斯大学等等，利用该系统发表的文章已经超过300篇。

Videometer种子表型表型成像系统可测量种子如尺寸、颜色、形状等，间接测定种子参数如种子纯度、发芽百分比、发芽率、种子健康度、种子成熟度、中寿命等。种子活力综合种子活力是种子发芽和出苗率、幼苗生长的潜势、植株抗逆能力和生产潜力的总和（发芽和出苗期间的活性水平与行为），是种子品质的重要指标，具体包括吸涨后旺盛的代谢强度、出苗能力、抗逆性、发芽速度及同步性、幼苗发育与产量潜力。种子活力是植物的重要表型特征，传统检测方法包括低温测试、高温加速衰老测试、幼苗生长测定等。

该系统也可以对细菌、虫卵、真菌等进行高通量成像测量，进行病理学、毒理学或其它研究。对于拟南芥等冠层平展的植物，可以进行自动的叶片计数等。

多光谱成像结合多变量分析的单株紫花苜蓿（Medicago sativa L.）种子品种鉴别

摘要：快速准确地辨别苜蓿品种对生产者、消费者和市场监管者来说至关重要。然而，传统的苜蓿品种鉴别程序既费时又费力。在这项研究中，评估了一种新方法的潜力，该方法使用多光谱成像结合对象多变量图像分析来区分具有单个种子的紫花苜蓿品种。应用主成分分析（PCA）、线性判别分析（LDA）和支持向量机（SVM）三种多元分析方法，根据其形态和光谱特征对12个苜蓿品种的种子进行区分。结果表明，形态特征和光谱数据的结合可以为不同品种的紫花苜蓿种子进行多变量分析提供一个极其简洁的过程，而仅用种子的形态特征无法进行分类。LDA 测试集的种子分类准确率为91.53%，SVM 为 93.47%。因此，多光谱成像结合多变量分析可以提供一种简单、稳健和无损的方法来区分苜蓿种子品种。

Abi700、Boja、Maverick、Ranger、Sutter、uc-1465、Fado、Vernal、Zhongmu1、Zhongmu3、Dongmu1、Zhonglan2 12个苜蓿品种由甘肃寒旱区种质资源库提供。种子被保存在平均温度为-18°C的储藏室的防水袋中，直到2020年1月用于成像。种子照片如图1所示。

图1.12种苜蓿的种子图像

当我们将PCA应用于形态特征时，前三个原理成分解释了种子之间原始方差的 67.41%，PC1、PC2 和 PC3 分别为 35.40、20.28 和 11.73%（图 2a）。对于光谱特征，前三个主成分的解释方差率分别为总方差的 60.56、25.63 和 9.33%（图2b）。此外，基于形态特征和种子光谱的 PCA 结果还表明，前三个主成分解释了种子之间原始方差的 65.98%，PC1、PC2和 PC3 分别为 31.60、19.59 和 14.79%（图 2c）。然而，无论是基于形态学、光谱数据或其组合的PCA得分图都未能将不同品种的种子分成12个不同的组。

图2.(a)形态学、(b)光谱学和(c)形态学与12个品种的光谱特征数据集结合的前三个主成分(PC)的三维图

总的来说，12个品种种子的反射率表现出相似的趋势，波长越长，反射率越高（图3）。然而，在每个波长下，品种之间的反射率存在显着差异。例如，法朵在365~780 nm光谱范围内的反射率值明显高于其他品种，而在850~970 nm范围内的反射率值低于除中木1、中木3、春夏、冬木以外的其他品种。1和Zhonglan2。12个品种的种子根据其对365～540 nm和880～970 nm的光反射率可分为3组。第一组只包括法朵，第二组包括中木1、中木3、东木1和中兰2，第三组包括阿比700、博雅、马克里克、游侠、萨特UC-1465和弗纳尔。对于 uc-1465、Boja和 Maverick，它们表现出非常相似的反射率模式，在 365 到 540 nm 范围内具有最低值，在780到970nm范围内具有最高值。

图3.12个紫花苜蓿品种的19个波长(nm)的平均光反射率

如前所述，基于不同的数据源开发了两种多元判别分析模型：形态特征数据、光谱特征数据以及形态和光谱特征数据的组合。结果表明，基于形态特征数据的LDA 模型对训练和独立测试数据集的分类准确率分别为 43.63% 和 42.22%。另一方面，法多与其他品种有明显的距离，其他11个品种无法分开（图4a）。相比之下，LDA 模型的准确度在光谱数据的基础上得到了极大的提高，在训练和测试数据集上分别表现出高达 87.50% 和 86.81% 的辨别准确度（补充表 S4）（图 4b）。当使用组合形态特征和光谱数据时，总体正确分类率在训练集和测试集分别为 91.96%、92.44% 和 91.53%。然而，不同品种的分类精度差异很大。例如，分类Fado的准确率是100%，而中牧3的准确率低至LDA的11.67%。

图4.基于（a）形态，（b）光谱和（c）形态结合光谱特征的线性鉴别分析（LDA）模型用于鉴别紫花苜蓿12个品种种子的得分图

对于具有形态数据的LDA模型，前5个特征解释了总变异的72.98%，其次是宽长比 (24.60%)、直径面积 (15.56%)、紧凑椭圆 (15.33%)、偏心率 (10.13%) , 和宽度 (7.36%), 表明品种之间的形态区分主要基于形状特征 (图 5a)。对于光谱数据，470 nm (12.75%)、490 nm (9.74%)、940 nm (8.79%)、430 nm (7.44%)、970 nm (7.28%) 是前五个特征加起来 LDA的 46.00% 变化（图5c）。对于形态和光谱数据的组合（图5e），宽度/长度比（15.53%）、直径面积（11.60%）、紧凑椭圆（8.81%）、偏心率（5.76%）和宽度（5.14%）是前5个特征，占LDA变异的46.86%，说明形态特征对品种鉴别有很大贡献。

图5.LDA和支持向量机 (SVM) 模型的形态、光谱和形态结合光谱特征的相对重要性。(a)LDA的形态特征